通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

Apr, 2023

人工智能技术在甲状腺癌的诊断中发挥着重要作用，将大数据分析与机器学习相结合，帮助医生评估甲状腺癌预后和决定患者的恶性风险。本论文总结了大量与人工智能技术在甲状腺癌诊断中相关的文章，通过新的分类方法整理了这些技术，并比较了不同数据集的特征，讨论了这一领域的进展和挑战，并展望了未来的发展方向。

Aug, 2023

利用机器学习和大数据分析，特别是采用 transformers 评估甲状腺癌（TC）预后和确定个体恶性风险，该综述文章介绍了人工智能算法、框架目标和计算环境构建的新分类方法，以及对可用的 TC 数据集的审查和对比，强调了 AI 工具在辅助甲状腺癌的诊断和治疗中的重要性，特别关注 transformers 在医学诊断和疾病管理中的持续重要性，并探讨了该领域的进展和持续的障碍，最后还探讨了该研究领域的未来方向和重点。

Mar, 2024

提出了一种基于 3D 扩散模型的头颈肿瘤分割方法，利用 PET 和 CT 图像生成更准确的肿瘤掩膜，证实了双模态 PET 和 CT 数据在头颈肿瘤分割中的优势。

Jan, 2024

本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

May, 2023

癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

Apr, 2024

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

我们引入了一种创新的、简单而有效的无分割方法，用于对头颈癌（HNC）患者的结果预测。通过利用基于深度学习的特征提取技术和应用于氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）体积的多角度最大强度投影（MA-MIP），我们的提出的方法消除了对于感兴趣区域（ROIs）如原发肿瘤和受累淋巴结的手动分割的需要。相反，先训练一个最先进的目标检测模型，在 PET 体积上自动进行头颈区域的裁剪。然后，利用预训练的深度卷积神经网络主干提取来自裁剪的 PET 体积的 72 个多角度轴向旋转的 MA-MIP 的深层特征。然后将从 PET 体积的多个投影视图中提取的这些深层特征进行聚合和融合，并用于对 489 例 HNC 患者进行无复发生存分析。所提出的方法在目标数据集上的无复发生存分析任务中胜过了表现最好的方法。通过避免对 FDG PET-CT 图像上的恶性病灶人工划定的依赖，我们的方法消除了对主观解释的依赖，并极大地提高了所提出的生存分析方法的可重复性。

May, 2024

研究通过使用基于视觉转换器（ViT）的神经网络来评估使用放疗治疗头颈部癌症患者时，使用 ViT 网络预测放疗引起的解剖学变化的可行性，并显示出良好的预测性能，以帮助头颈部癌症自适应放疗的决策。

May, 2024

癌症的早期检测可以通过早期干预来改善患者的预后。我们提出了一种基于注意力机制的流水线，可以识别疑似病变、对其进行分割，并对其进行非异型、异型和癌性病变的分类。我们提出了一种基于视觉变换器的掩码 R-CNN 网络用于临床图像的病变检测和分割，以及基于多实例学习的分类方案。目前的结果显示，分割模型可以在未见的外部测试数据上产生具有高达 82% 重叠准确度的分割掩码和边界框，并超过了经过验证的分割基准。在内部队列测试集上，分类 F1 得分达到 85%。我们开发了一款应用程序，可以通过智能设备进行病变分割。未来的工作将利用内窥镜视频数据进行精确的早期检测和预后评估。

May, 2024